大數據時代量化自我支持的個性化學習研究

導讀：量化自我是利用穿戴式傳感器等技術手段來記錄人的行為、生理信息，通過這些數據來了解人類的智能、心理和行為的一種社會運動。量化自我能夠幫助認識學習者的個體差異，為實現真正意義上的個性化學習帶來了新的契機。文章首先從緣起、基礎、手段和數據等方面解析了量化自我的含義，進而探討了量化自我支持的個性化學習系統及其特征，最后從數據隱私、數據發掘和教學模式等三個方面，分析了量化自我在個性化學習中應用面臨的問題與挑戰。

　　科技的發展拓展了人類認識世界的能力，而穿戴式傳感器、智能手機等移動智能終端的普及，則帶來了一種新趨勢——量化自我。量化自我是采用技術手段來認識自我的新嘗試，與隨時隨地掌握個體差異的功能與教育倡導的個性化不謀而合，量化自我成為深化發展個性化學習的新契機。2014年，美國新媒體聯盟發布《NMC地平線報告》，在報告中指出量化自我將取代可穿戴技術，成為未來4～5年在高等教育領域內的關鍵技術。目前對于量化自我如何與教育教學相結合成為一個研究熱點，本文在解析量化自我的基礎之上，探討了量化自我支持的個性化學習體系及其特征，最后分析了量化自我在個性化學習中應用面臨的現實挑戰。


量化自我的含義


　　量化自我并不是最近一兩年才出現的新概念，早在上個世紀70年代，就有人提出人本主義計算(Humanistic Computing)的理念，提倡運用穿戴式傳感器等技術手段來記錄人的行為、生理信息，通過這些數據來了解人類的智能、心理和行為。由于當時的信息技術限制，可穿戴裝備尚處于概念階段，這種通過數據量化自我的理念并未受到人們的重視。近年來，隨著智能手表、智能手環和電子項鏈等微型可穿戴設備的發展，使收集自身數據、觀察身體狀態變化等復雜的過程變得輕松、簡便和廉價，量化自我再次進入人們的視野，并逐漸成為了一種社會運動。2007年，《Wired》雜志主編凱文·凱利(Kevin Kelly)正式提出了“量化自我(Quantified self)”的概念：“運用技術手段，對個人生活中有關生理吸收(Inputs)、當前狀態(Status)和身心表現(Performance)等方面的數據進行獲取。”之后，人們從不同的角度對量化自我進行了闡釋，也有人將量化自我稱作“自我跟蹤”(Self-tracking)、“生理數據”(Body Data)或者“生活駭客”(Life Hacking)等。
　　目前對于量化自我的研究尚屬起步階段，筆者以量化自我為關鍵詞，搜索WOS和CNKI，得到為數不多的幾篇論文。梳理這些論文和當前量化自我的實踐，我們可以從以下幾個方面來理解量化自我：
　　1.量化自我的緣起
　　量化自我緣起于人類對自我探索的渴望和對健康的追求。自古以來，人們對了解自身、認識自我就有很強的探索欲望。社會的進步，財富的積累，使人們越來越關注自身的健康。而同時，專業體育和醫療領域基于身體數據測量與觀察的成功案例，也讓普通人產生了強烈的量化自我欲望。
　　2.量化自我的基礎
　　信息技術的發展和智能可穿戴設備的普及是量化自我的基礎。普適計算、云計算、移動計算等新一代計算技術，讓量化過程無處不在。移動網絡、無線網、傳感網等泛在網絡，讓量化數據隨時隨地可以無障礙傳輸;電子化的手表、手環、項鏈、體重秤、眼鏡、手機等移動智能終端，讓數據收集無處不在;Fitbit、Jawbone UP、Nike Fuelband、Bodymedia、樂瘋跑等基于IOS或者Android的APP，讓量化自我簡便易行。
　　3.量化自我的手段
　　總體上看，量化自我的主要手段是穿戴式傳感技術與大數據挖掘。前者帶來了數據獲取范圍和方式的變革，后者帶來了認知模式的變革。通過可穿戴式傳感器，隨時隨地感知身體和周圍的環境變化，自主地獲取人體數據并且不打擾個體。而大數據則讓人的認知模式發生了變革，運用數據挖掘從大數據中提煉出對事物本質與規律的認識，人們的認知模式由經驗驅動變為數據驅動的量化認知模式。
　　4.量化自我的數據
　　量化自我的數據包括個體數據和社會數據兩大部分。個體數據是個體生理行為的數據，如體重、計步、睡眠時間、消耗食物卡路里、空氣質量、壓力指數、皮膚電導、血氧飽和度等數據。量化自我最初的目的就是通過對這些數據、可視化、交叉引用分析，來研究分析自身。社會數據是個體與其周圍環境交互的數據，包括文字、照片、聲音、視頻、地理位置和消費記錄等數據。


量化自我支持的個性化學習


　　個性化學習是一種以反映學生個性差異為基礎，以促進學生個性發展為目標的學習范式，是教育學一直提倡和追求的目標。然而效果一直不夠理想，追究其原因，就是對于學習者的個性化差異把握不夠。量化自我采用一種數據化的方式來認識自我，為學習系統實時提供學習者個性化的學習需求、學習狀態和學習情境，建立個性化的學習興趣模型。圖1是量化自我支持的個性化學習體系的概念圖。


圖1　量化自我支持的個性化學習體系

　　量化自我支持的個性化學習體系是一個網狀結構的學習網絡，通過教學網、知識網、學習網和社交網將學習者、教學者、知識社區和學習資源等各個主體平等地連結在一起。學習者通過量化自我工具實時地收集自身及周遭的生物信息、生理信息、運動信息、遷移信息等，并將這些數據發送到大數據系統中;大數據系統借助云計算和大數據分析技術，構建學習者的個體學習模型，并結合學習者個性化的學習需求、實時化的學習狀態和特殊化的學習情境，向教學工作者反饋學習者的興趣、狀態和適當的教學建議;教學工作者根據學習者量化的自我數據，實時調整教學內容、教學方法，并反饋到學習者的移動學習終端;同時，學習者通過無所不在的社交網絡，與知識社區中的其他人進行交流，獲得支持和更多的知識。
　　量化自我支持的個性化學習系統中，大數據中心起到關鍵的作用。這實質上反映了當前教育理念的變革：由任務導向轉變為數據導向。以往的學習由一個個教學任務構成，教學資源、教學大綱、教學內容都圍繞著完成教學任務，卻忽略了教學中最重要的組成部分——學習者。量化自我的個性化學習用量化數據來監測學習者的狀態、能力，由個性化的數據來驅動教學內容、教學方案和教學資源的運用。與傳統的學習模式相比，它具有以下一些優勢：
　　1.量身定制的因材施教
　　因材施教一直是為人所樂道的教學圣典，因為它能夠根據學習者的學識、能力和狀態來安排教學的內容。個性化學習的目標就是要達到這種因材施教的效果。以往的個性化學習系統通常采用用戶建模的方式，由學生自行選擇或輸入自己的興趣愛好，生成模板，然后為學習者提供相對應的學習資源。這種生成的靜態模板不能包含動態變化的學習狀態。我們知道，學習狀態對學習的效果影響很大，同一個人在不同壓力不同環境下學習的效果相差巨大。現實生活中，有經驗的教學者會根據學習者學習狀態的變化，在教學內容、教學強度、教學方法方面做出針對性的調整，實現因材施教的目標。
　　而在量化自我的情境下，通過量化自我的工具，教學者可以隨時隨地收集到與學習者生活方式、學習方式、知識結構以及外部學習環境相關的情境數據，通過分析集成，幫助教學者制定有針對性的、個性化的教學方案。同時，可以根據學習者的生理數據，推斷出學習者的學習狀態、精神壓力，實時地調整教學進程、教學強度和教學方法。最主要的是，這種學習狀態變化是以一種很容易理解的方式表征出來，不需要多少經驗就可以覺察得到。
　　2.目標明確的自我超越
　　技術是人類的延伸，量化自我無限擴展了人的感知本能，人獲得了對身體、意識、行為和環境的全視能力，那些非意識領域的不可知都通過數據呈現為可知，同時，通過數據的實時記錄和歷史記錄，讓認知過程突破時間性。量化自我借助于信息技術手段來認識自我，將一個個復雜的模糊的過程通過數據呈現出來，成為人可以超越的明確目標。人與動物的區別就是在不斷的超越中得到進步，并且在這種超越中獲得成就和愉悅。比如，對于期望通過跑步來增強體質的人來說，能夠堅持的距離反映著身體的健康程度。身體健康程度用跑步的距離進行量化，這樣多跑100米就是一種超越，就會感到身心愉悅，甚至會在社交APP上與好友分享這種喜悅。
　　學習也一樣。南京大學的桑新民教授指出，“學習的本質是人類個體和人類整體的自我意識與自我超越”。量化自我與學習過程相結合有助于幫助學習者清楚地認識自身的知識水平，激發學習者內心的學習動機，獲得成功的喜悅，實現不斷的自我超越。比如，背單詞的APP會記錄學習者每天學習的單詞數，給出學習者單詞量的評估，對于學習者來說，這些量化的數據都是自己要超越的目標，也是繼續學習的激勵因素之一。量化自我為自主學習提供了一個新的認知模式，過程量化、目標量化、效果量化，復雜模糊的學習轉變成目標明確的自我超越過程。
　　3.認知領域的無限擴展
　　無所不在的泛在網絡將學習網絡、知識網絡、教學網絡和社交網絡連結起來，為量化自我的學習者提供了一個無限的知識空間。在這個知識空間中，相互抱團，形成興趣聯盟;教師、公司職員、圖書館館員或其他人員、機構等自發形成動態的知識社區;MOOCs、可汗學院、精品課程、微課程等通過泛在網絡構建無所不在的學習資源網絡。任何感興趣或者必需的知識都可以通過無所不在的泛在網絡、學習網絡、知識網絡得到學習資源，任何時候都可以通過協作性社交網絡與興趣同盟進行交流。更為重要的是，知識空間中的所有個體相互學習、協作和幫助，并且在學習過程中不斷聚合，自發形成知識導師(不一定是教師)，“認知孤島”將不復存在，讓學習者的認知領域得到無限擴展。
　　4.極具智慧的學習智能
　　在量化自我支持的個性化學習中，技術和設備將深度參與到教學和學習中來。可穿戴設備、大數據挖掘、泛在計算等相互協作，每時每刻都在關注著學習者的動態，探測和判斷學習者的行為。量化自我工具隨時隨地記錄學習者的顯性數據(如體征數據)和隱性數據(如情緒數據)，大數據挖掘實時集成和發掘學習者的學習規律和學習狀態，提出適當的學習指導、干預、追蹤和反饋;泛在計算則不斷優化學習資源和知識資源的提供路徑，為學習者提供最適合的知識支持。
　　現代技術的深度參與為學習者提供強大精確的學習智能，將極大限度地提升教學和學習效果。例如，通過對學習者的分析，可以發現其學習習慣中存在的問題，及時地給予技術或者行動上的指導;在學習過程中，根據學生的體征數據，計算學生的情緒狀態，及時幫助教師調整教學強度和教學方法等。另外，與以往技術促進教學不同的是，這種技術的深度參與卻不會干擾學生，所有的過程都是在悄無聲息地自動進行，不會分散學生的注意力。


面臨的挑戰


　　量化自我將學習者徹底融入到學習過程之中，有望實現真正的基于個體差異化的個性化學習。然而，作為一項跟蹤或進行分析個體數據的一種“新運動”和“新潮流”，要廣泛應用到個性化學習之中，還面臨著眾多的現實問題，其中最為困難的有以下幾個方面：
　　1.數據隱私問題
　　量化自我支持的個性化學習，重點在于將量化自我工具收集的自我數據應用到個體差異分析中，也就是說要分享個人的隱私數據。量化自我的數據存入個性化學習系統的數據庫中，成為一筆不可多得的寶貴財富。就像錢存入銀行，如何處理它就由銀行來決定一樣，量化自我數據能否應用到合法的途徑，能否被保護不被肆意傳播，成為個性化學習首先要解決的問題。
　　目前，個人隱私數據安全問題不是個性化學習系統獨有的挑戰，同樣是整個大數據時代都要面臨的挑戰，各國也在加強對互聯網隱私的研究和立法。以美國為例，早在1970年，美國就通過了《公平信用報告法》法案，該法案主要是為了應對大型主機對隱私的威脅，規定個人財務信息只能用于信用、保險以及就業等三個方面。1986年頒布了《電子通訊隱私法案》，禁止電子通信服務供應商將服務過程中產生的通訊內容提供給任何未經批準的實體。2014年5月，美國白宮發布2014年度“大數據”白皮書，其中專章解讀“美國隱私法案與國際隱私法框架”以及“大數據對隱私法的啟示”，意在對已有隱私法更新完善。
　　2.數據發掘問題
　　信息系統理論里有一個GIGO(Garbage In，Garbage Out)原則，即輸入的是垃圾數據，輸出的同樣也是無價值的信息。這個原則同樣適用于量化自我支持的個性化系統。要使用有效、高質的量化自我數據，首先要解決多源數據的整合問題，如果不能有效地整合，就無法全面、精確地解讀學習者，不能真正表征出個體的差異性，就更不能實現真正意義上的個性化學習。目前市面上的量化自我工具五花八門，量化自我的數據類型也多種多樣，有文本、圖形、圖像、聲音、視頻等多種類型。
　　其次要解決的是量化自我數據的挖掘問題。個性化學習需要的不是單獨的數據，而是從量化自我數據中挖掘出反映個體差異性的特征，那么如何才能挖掘出有價值的知識，又如何評判哪些是有價值的知識呢?同時，個性化學習系統需要近乎實時地獲得這些個體差異特征，那么如何從海量的量化自我大數據中，實時地解讀出個體差異性特征以及這些特征的動態變化呢?
　　3.教學模式問題
　　個性化的關鍵在于對學習行為的建模、分析與預測，根據學習者的學識、能力和學習狀態，及時在教學內容、教學強度、教學方法方面做出針對性的調整，從而為每個學生打造一個量身定做的學習規劃。那么如何在教學過程中讓學生既要學習體系化的知識，又要在教學中恰到好處地調整教學內容、教學強度和教學方法呢?國外有學者做了一些探索性的研究，如華盛頓大學的研究者Consolvo等嘗試以游戲的方式來吸引學生參與到健康活動之中。研究中，Consolvo教授設計了一個虛擬花園，他巧妙地將花園中的鮮花長勢與量化自我數據結合起來，量化數據來自學習者，量化自我數據越高，虛擬花園中的鮮花越茂盛。為了鮮花越長越好，學生不斷加強鍛煉，既身心愉悅，也達到了教學目的。


結束語


　　量化自我是人類認識自我的一種數據化探索，將自我量化數據融入到學習體系之中，能實時自動感知學習者的個體差異，實現真正的個性化學習和教育。本文探討了量化自我支持的個性化學習的含義、基本體系及主要優勢，分析了當前量化自我在學習中應用所面臨的挑戰。量化自我無疑給教育和學習模式帶來了全新的沖擊，如何將這種“時尚”和“潮流”正確地引入到教學之中，尚需要深入的研究。相信在不久的將來，智能的可穿戴設備和強大的大數據技術必將給我們的學習帶來更加可供決策的數據和創新，我們的教育教學方式也會越來越精準，越來越精彩。

作者：吳金紅，武漢紡織大學 管理學院
來源：中國教育信息化在線（cedictol）
本網站精選的每一篇文章都會注明來源和作者（除非找不到），文章版權歸原作者所有，若有侵犯權益，請聯系我們刪除。本文所述內容僅代表作者觀點，不代表本站立場。對于本文以及其中全部或者部分內容、文字的真實性、完整性、準確性和合法性本公眾號不作任何保證或承諾。